输电塔在架空输电线路中起着支撑地线、导线以及其他附件的作用,是保证电力顺利传递的枢纽。但由于其长期处于自然灾害频发的户外环境,难免会出现不同程度的损伤,损伤比较严重时可能倒塌,造成巨大的经济损失甚至会酿成安全事故。因此在输电塔服役期间对其结构进行运行状态监测和损伤识别至关重要。在输电塔结构的健康监测中,最容易测得的就是结构的加速度响应序列,其反应了结构原始的状态信息,蕴含很多损伤特征,但很难直接观察出来。针对此问题,本文结合结构输出加速度响应数据的时序关系,提出基于双向长短时记忆网络（Bi LSTM）的损伤识别方法,并采用一种概率寻优方法贝叶斯优化（BO）确定网络模型超参数。本文先叙述了深度学习中广泛运用的循环神经网络（RNN）和双向长短时记忆神经网络（Bi LSTM）相关理论及其具体训练过程。然后阐述了贝叶斯优化的原理以及本文重点选取优化的超参数。结合Bi LSTM可以从时序数据中提取特征的优良特性,将其运用于结构损伤识别中,提出基于贝叶斯优化的Bi LSTM模型结构损伤识别理论。本文所提出的理论方法通过一个八层层间剪切结构数值模拟进行了验证,结果表明贝叶斯优化相对随机搜索与人工调节超参数效率高,模型性能更佳;训练后的BO-Bi LSTM模型具有优良的损伤识别能力,识别准确率达到93%,能准确定位损伤位置和判断损伤程度大小,且抗噪性良好。而后,将该方法运用输电塔有限元模型的损伤识别,把输电塔化为分层的6个子结构,用节点的加速度代替该层的加速度,以损伤杆件数量区分损伤程度,训练BO-Bi LSTM模型并进行损伤定位和识别,也取得了较为理想的效果,整体识别准确率达到92%。为进一步对比BOBi LSTM模型在损伤识别方面的优势,本文将相同条件下的BO-LSTM以及Bi LSTM模型运用于损伤识别进行对比分析,结果表明BO-Bi LSTM模型识别更准确,对小损伤更为敏感。最后为验证该方法对实际结构的损伤识别效果,提出基于异源数据的损伤识别方法:将输电塔有限元模型数据作为模型训练的样本训练BOBi LSTM模型,将实验数据用作测试集检验损伤识别效果,结果验证了该方法的有效性,可以较为准确的识别真实结构的损伤情况,具有运用于实际工程实践的价值。